Temporal Multi-Scale Spatio-Temporal Network (TMST): Polarization–Temporal Feature Selection and Multi-Scale Spatiotemporal Fusion for Crop Mapping
Xi Kan · Wentao Lv · Lei Gong 等 4 人
提出TMST网络，融合SAR与多光谱时序数据实现作物制图。
Sentinel-1/2时序、极化-时序特征选择、多尺度注意力与时空编码器。
新乡OA达0.8625，多源融合与模块组合有效，跨数据集优于基线。
可探索极化-时序特征选择在跨区域迁移与少样本作物制图中的泛化能力。
提出多源遥感融合的作物制图新方法，方法新颖、实验充分，但属细分技术进展，公共影响有限。
准确的作物制图有助于农业资源管理、产量预测和粮食安全决策。本研究提出了一种时间多尺度时空网络（Temporal Multi-scale Spatio-Temporal Network，TMST），这是一种通过极化—时间特征选择和多尺度时空融合来整合多源遥感时间序列的作物制图方法。TMST结合了Sentinel-1双极化合成孔径雷达（SAR）、Sentinel-2多光谱数据和植被指数。其时间特征重要性解释器（Temporal Feature Importance Explainer，TFIExplainer）用于选择信息量丰富的极化—时间特征，多尺度注意力聚合（Multi-Scale Attention Aggregation，MSAA）模块增强空间表征，时空特征编码器（Spatio-Temporal Feature Encoder，STFE）建模长程空间依赖关系和物候动态；复合损失函数改善了少数类和困难像元的识别。在新乡数据集上，TMST取得了0.8625的总体精度（OA）和0.8329的平均F1分数（mF1）。模块和数据源消融实验表明，组合模块和多源融合具有优势，而耕地掩膜减少了非耕地误分类。在直接的跨数据集评估中，在自行构建的奥地利数据集上训练并在雷达扩展的Panoptic农业卫星时间序列（PASTIS-R）数据集上测试的模型表明，在指定的源—目标设置下，TMST优于所评估的基线方法。使用逐年样本和独立训练的模型对新乡2019—2023年进行年度制图，提供了基于制图的区域种植结构和空间格局估计。在所评估的设置下，TMST为作物分类和年度更新的作物制图提供了一种有效方法。